在 Pandas 中，定位 DataFrame 指定索引（index）的值是核心操作，主要依赖于 `.loc` 和 `.iloc` 索引器，以及 `.at` 和 `.iat` 访问器，它们各有其适用的场景和性能特点 [ref_2][ref_4]。 ### 一、核心方法对比 下表总结了四种主要方法的特性与适用场景： | 方法 | 索引类型 | 主要用途 | 返回类型 | 性能特点 | | :--- | :--- | :--- | :--- | :--- | | **`.loc[]`** | **标签 (Label-based)** | 通过行/列的**索引标签名**进行选择。 | Series 或标量 | 通用，适用于按名称查找。 | | **`.iloc[]`** | **位置 (Integer position-based)** | 通过行/列的**整数位置（从0开始）** 进行选择。 | Series 或标量 | 通用，适用于按顺序位置查找。 | | **`.at[]`** | **标签 (Label-based)** | 快速访问**单个**行标签和列标签**交叉点**的**标量值**。 | 标量 | **速度极快**，仅用于获取或设置单个单元格的值。 | | **`.iat[]`** | **位置 (Integer position-based)** | 快速访问**单个**行位置和列位置**交叉点**的**标量值**。 | 标量 | **速度极快**，仅用于获取或设置单个单元格的值。 | ### 二、代码实现与示例 首先，创建一个示例 DataFrame 用于演示： ```python import pandas as pd # 创建示例 DataFrame，并指定自定义索引 data = { '姓名': ['张三', '李四', '王五', '赵六'], '年龄': [25, 30, 35, 28], '城市': ['北京', '上海', '广州', '深圳'] } df = pd.DataFrame(data, index=['a', 'b', 'c', 'd']) # 设置行索引标签为 'a', 'b', 'c', 'd' print("原始 DataFrame:") print(df) print(f"\nDataFrame 的索引: {df.index}") print(f"DataFrame 的列名: {df.columns.tolist()}") ``` 输出结果： ``` 原始 DataFrame: 姓名 年龄 城市 a 张三 25 北京 b 李四 30 上海 c 王五 35 广州 d 赵六 28 深圳 DataFrame 的索引: Index(['a', 'b', 'c', 'd'], dtype='object') DataFrame 的列名: ['姓名', '年龄', '城市'] ``` #### 1. 使用 `.loc[]` 按标签定位 `.loc[]` 接受行索引标签和列索引标签 [ref_2][ref_4]。 **场景1：获取单行数据（返回Series）** ```python # 获取索引标签为 'b' 的整行数据 row_b = df.loc['b'] print("使用 .loc['b'] 获取单行:") print(row_b) print(f"类型: {type(row_b)}") ``` **场景2：获取单个单元格的值** ```python # 获取索引标签为 'c'，列名为 '城市' 的单个值 value_c_city = df.loc['c', '城市'] print(f"\n使用 .loc['c', '城市'] 获取单个值: {value_c_city}") ``` **场景3：获取多行或多列数据** ```python # 获取索引标签为 ['a', 'c'] 的行，以及 ['姓名', '年龄'] 的列 subset = df.loc[['a', 'c'], ['姓名', '年龄']] print("\n使用 .loc[['a', 'c'], ['姓名', '年龄']] 获取子集:") print(subset) ``` #### 2. 使用 `.iloc[]` 按位置定位 `.iloc[]` 接受行和列的整数位置（从0开始）[ref_2][ref_4]。 **场景1：获取特定位置的行（返回Series）** ```python # 获取第2行（位置索引为1，对应标签‘b’）的数据 row_pos_1 = df.iloc[1] print("使用 .iloc[1] 获取第2行:") print(row_pos_1) ``` **场景2：获取单个单元格的值** ```python # 获取第3行（位置2），第2列（位置1，对应‘年龄’）的值 value_pos = df.iloc[2, 1] print(f"\n使用 .iloc[2, 1] 获取单个值: {value_pos}") ``` **场景3：使用切片获取连续区域** ```python # 获取第1到第3行（位置0:3，不包含3），所有列的数据 slice_data = df.iloc[0:3, :] # 等价于 df.iloc[:3] print("\n使用 .iloc[0:3, :] 获取行切片:") print(slice_data) ``` #### 3. 使用 `.at[]` 快速获取/设置单个值（标签） `.at[]` 专为高效访问或修改**单个**单元格而设计，语法为 `df.at[行标签, 列标签]` [ref_2]。 ```python # 获取索引标签‘a’，列名‘年龄’的值 value_at = df.at['a', '年龄'] print(f"使用 .at['a', '年龄'] 获取值: {value_at}") # 使用 .at 设置新值 df.at['a', '年龄'] = 26 print("\n使用 .at['a', '年龄'] = 26 修改值后:") print(df.loc[['a']]) ``` #### 4. 使用 `.iat[]` 快速获取/设置单个值（位置） `.iat[]` 是 `.at[]` 的整数位置版本，语法为 `df.iat[行位置, 列位置]` [ref_2]。 ```python # 获取第4行（位置3），第3列（位置2，对应‘城市’）的值 value_iat = df.iat[3, 2] print(f"使用 .iat[3, 2] 获取值: {value_iat}") # 使用 .iat 设置新值 df.iat[3, 2] = '杭州' print("\n使用 .iat[3, 2] = '杭州' 修改值后:") print(df.loc[['d']]) ``` ### 三、高级场景与注意事项 1. **条件定位（布尔索引）**：结合条件表达式，可以定位满足特定条件的行或列的值 [ref_4]。 ```python # 定位所有年龄大于28的行 condition = df['年龄'] > 28 older_than_28 = df.loc[condition] print("年龄大于28的行:") print(older_than_28) # 定位年龄大于28的行中的‘姓名’和‘城市’列 subset_condition = df.loc[condition, ['姓名', '城市']] print("\n年龄大于28的行的姓名和城市:") print(subset_condition) ``` 2. **处理默认整数索引**：如果 DataFrame 使用默认的整数索引（0, 1, 2...），`.loc` 和 `.iloc` 在传入整数时行为不同，务必区分 [ref_6]。 ```python df_default_index = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]}) print("默认整数索引的DataFrame:") print(df_default_index) # .loc[1] 指的是索引标签为1的行（第二行） # .iloc[1] 指的是位置为1的行（第二行） # 在此例中，两者结果相同，但概念不同。 ``` 3. **索引的修改与重置**：可以通过 `df.index` 属性直接查看或修改索引标签 [ref_3][ref_6]。使用 `df.reset_index()` 可以将索引重置为默认整数索引，并将原索引变为一列数据 [ref_6]。 ```python # 修改索引标签 df.index = ['客户1', '客户2', '客户3', '客户4'] print("\n修改索引标签后:") print(df) # 重置索引 df_reset = df.reset_index() print("\n重置索引后（原索引变为‘index’列）:") print(df_reset) ``` **核心要点总结**： * **按名访问用 `.loc` 和 `.at`**：当你知道行/列的标签名时使用。`.at` 用于单个值，速度更快 [ref_2]。 * **按位访问用 `.iloc` 和 `.iat`**：当你知道行/列的整数位置时使用。`.iat` 用于单个值，速度更快 [ref_2]。 * **明确索引类型**：始终清楚你的 DataFrame 使用的是自定义标签索引还是默认整数索引，这决定了你该使用 `.loc` 还是 `.iloc` [ref_6]。 * **条件筛选是强大工具**：将布尔序列与 `.loc` 结合，可以实现复杂的数据定位和筛选 [ref_4]。